Deep Reinforcement Learning für Krypto-Market-Making auf Tick-Ebene

Zusammenfassung

Das Dokument stellt einen Hochfrequenz-Market-Making-Ansatz vor, der Marktdaten auf Tick-Ebene mit regelmäßigen Prognosesignalen kombiniert. Es setzt Deep Reinforcement Learning ein, um bei Market-Making-Entscheidungen sowohl schnelle Informationen auf Auftragsebene als auch weniger häufige Prognosen zu nutzen. Ausgangspunkt ist, dass hohe Tick-Datenvolumen und komplexe Marktbedingungen es erschweren, wirksame Strategien zur Liquiditätsbereitstellung aus einer einzigen Informationsquelle zu entwickeln.

Die berichtete Bewertung vergleicht Strategien auf Basis verschiedener Deep-Reinforcement-Learning-Algorithmen in simulierten Szenarien und Experimenten mit realen Kryptowährungsmarktdaten. Den Autoren zufolge verbessert der kombinierte Ansatz die Rentabilität und das Risikomanagement gegenüber bestehenden Methoden. Die Zusammenfassung nennt weder die konkreten Algorithmen und Vermögenswerte noch Bewertungszeiträume, Vergleichsstrategien oder Risikomaße, sodass sich Ausmaß und Allgemeingültigkeit der berichteten Verbesserungen anhand dieser Beschreibung allein nicht beurteilen lassen.

Kernaussagen

• Der vorgeschlagene Market-Making-Ansatz kombiniert Beobachtungen auf Tick-Ebene mit regelmäßigen Prognosesignalen.
• Deep Reinforcement Learning überführt die kombinierten Informationen in Market-Making-Entscheidungen.
• Der Ansatz reagiert auf Umfang und Komplexität von Hochfrequenzmarktdaten.
• Simulationen und reale Kryptowährungsmarktdaten dienen dazu, Strategien mit verschiedenen Reinforcement-Learning-Algorithmen zu bewerten.
• Das Dokument berichtet Verbesserungen bei Rentabilität und Risikomanagement, lässt aber Details aus, die für die Einschätzung ihres Ausmaßes und ihrer Allgemeingültigkeit nötig wären.

Schlagwörter

# Integrating Tick-level Data and Periodical Signal for High-frequency Market Making


# Integrating Tick-level Data and Periodical Signal for High-frequency Market Making









We focus on the problem of market making in high-frequency trading. Market making is a critical function in financial markets that involves providing liquidity by buying and selling assets. However, the increasing complexity of financial markets and the high volume of data generated by tick-level trading makes it challenging to develop effective market making strategies. To address this challenge, we propose a deep reinforcement learning approach that fuses tick-level data with periodic prediction signals to develop a more accurate and robust market making strategy. Our results of market making strategies based on different deep reinforcement learning algorithms under the simulation scenarios and real data experiments in the cryptocurrency markets show that the proposed framework outperforms existing methods in terms of profitability and risk management.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.